1.評價方法圖像質量評價分為主觀和客觀兩個方面。其中客觀又分為全參考、半參考和無參考三種詳情見如下博客內容https://blog.csdn.net/shinuone/article/details/1491764942.評價指標和評價算法GitHub - chaofengc/IQA-PyTorch: ? ? PyTorch Toolbox for Image Quality Assessment, including PSNR, SSIM, LPIPS, FID, NIQE, NRQM(Ma), MUSIQ, TOPIQ, NIMA, DBCNN, BRISQUE, PI and more...IQA-PyTorch/docs/ModelCard.md at main · chaofengc/IQA-PyTorch · GitHubhttps://github.com/chaofengc/IQA-PyTorch/blob/main/docs/ModelCard.md按照git上的要求搭好環境后使用以下testiqa.py進行測試圖片可以放在絕對路徑下import pyiqa # pyiqa是pytorch實現的圖像質量評估庫直接pip install import torch from PIL import Image import torchvision.transforms as transforms # 可以列出左右庫里的函數 print(pyiqa.list_models()) device torch.device(cuda) if torch.cuda.is_available() else torch.device(cpu) # 示例 iqa_metric pyiqa.create_metric(arniqa, devicedevice) #隨意選擇上述存在的模型注意是否是NR的 to_tensor transforms.ToTensor() img_pathrE:\code\pytorch_test\IQA-PyTorch-main\IQA-PyTorch-main\test.jpg #圖片路徑 img to_tensor(Image.open(img_path)).unsqueeze(0) score iqa_metric(img) print(NIME:, score.item())測試結果如下圖所示表示使用該模型arniqa得到的分數為0.453.常用的無參考的IQA方法詳細解析詳見博客【IQA技術專題】使用CLIP進行IQACLIPIQA-CSDN博客其中涉及到圖像的美感以及感知評價的模型主要有LPIPS(learned perceptual Image patch similarity)使用預訓練的深度網絡(如VGG、Alexnet)來提取圖像特征然后計算這些特征之間的距離以評估圖像之間的感知相似度hyperiqa(blindly Assess Image Quality in the wild Guided by A self-Adaptive Hyper Network)一種針對無參考圖像質量評價的自適應Hyper Network提出了一種自適應超網絡架構來無參考評估圖像質量。將IQA過程分為三個階段內容理解、感知規則學習和質量預測提取圖像語義后由超網絡自適應建立感知規則再由質量預測網絡采用。clipiqa(contrastive language-image pretranining mode)圖文多模態模型exploring clip for assessing the look and feel of image 探索了clip模型在圖像的質量感知(look)和抽象感知(feel)評估中的潛力提出了clip-iqa模型其核心改進為反義詞提示詞配對策略和移除位置嵌入無需任務特定訓練即可實現評估這種方法突破了傳統iqa方法的三大局限1.無需手工特征工程2.跨領域泛化能力3.零樣本學習能力對于CLIP模型的結構學習【小白】一文讀懂CLIP圖文多模態模型_clip模型-CSDN博客經典多模態模型CLIP - 直觀且詳盡的解釋 - 知乎將CLIP模型用于iqa的過程見如下博客【IQA技術專題】使用CLIP進行IQACLIPIQA-CSDN博客